让 Coding Agent 学会「记住过去」：长期记忆系统如何改变 AI 编程

过去一年，以 Claude Code、Codex 为代表的 Coding Agent 正在深刻改变开发者的编程方式。它们能够理解代码库结构、定位 Bug、跨文件修改代码、运行测试，甚至独立完成复杂开发任务。这些 AI 助手越来越像真正参与项目的工程师。然而，当开发周期拉长，一个尴尬的现实逐渐暴露：Agent 的代码能力在飞速提升，但在长期项目中却常常表现得「像第一次来到这个项目」。

长期记忆的本质：从「记录历史」到「学会记忆」

一个典型场景是这样的：开发者刚与 Agent 完成了一次权限系统改造，在几轮协作中，Agent 已经了解了项目采用当前权限架构的原因、历史代码的修改禁区、此前因兼容性被放弃的方案，以及数据库升级时的平滑过渡要求。这些信息并非简单阅读代码就能获取，而是真实开发过程中积累的项目经验。问题是——第二天重新打开对话，Agent 可能又开始扫描同样的代码，昨天已经解释过的背景需要重新说明，失败过的方案可能再次被提出。这种「记忆断层」严重影响了开发效率。

可学习的记忆能力

MemoraX Code 试图解决的核心问题是：Agent 不仅需要保存更多历史，更需要判断什么值得记住、什么已经过时，以及什么时候应该重新想起。为此，系统构建了本地代码仓记忆与云端长期记忆两层架构。本地记忆帮助 Agent 快速理解代码仓的当前结构、关键入口和历史演进；云端记忆则持续承载跨任务、跨对话、跨 Agent 的项目经验和开发者习惯。当新任务到来时，系统不会将全部历史重新塞给模型，而是精准召回当前真正相关的信息。

Procedure Memory：从历史中提炼工程经验

MemoraX Code 进一步实现了 Procedure Memory 的自动化构建。这一功能从历史 Coding 轨迹中自动识别具有复用价值的解决过程，将零散的分析、执行和验证步骤提炼成结构化的工程经验，最终以 Skill 的形式沉淀下来。在一项实验中，系统从 123 个历史任务片段中自动提炼出 15 条工程经验，归纳为 4 类 Procedure Memory。这些经验不仅记录「上一次发生了什么」，更提炼出面对同类工程问题时，哪些分析方式、执行步骤和验证方法被证明是有效的。

实际效果验证

在 AML（Agent Memory Leaderboard）评测中，MemoraX Code 取得了 62 分的成绩位列 Coding Track 第一，较业界主流方案提升 10%。在一项持续约 3 小时的复杂开发任务测试中，Procedure Memory 将综合得分从 11.71 提升至 70.30，关键检查项通过数从 2/13 提升至 10/13。更值得关注的是，由于减少了重复探索，总调用成本下降了约 22.6%。这表明 Procedure Memory 带来的提升并非来自更多模型调用，而是来自更高效的问题求解路径。

如有侵权，请联系删除。